点击上面"脑机接口社区"关注我们

更多技术干货第一时间送达

传统上，研究有因果控制的物体在大脑中是如何呈现的一直是个挑战。我们

关于脑电图EEG，社区之前分享过很多，可以查看《什么是EEG以及如何解释EEG?》《EEG数据、伪影的查看与清洗》等。

介绍动态脑电图前，先简要介绍一下脑电图。更加详细的介绍可以查看《什么是EEG以及如何解释EEG?》

脑电图(EEG)是一种生理方法，用于记录大脑通过放置在头皮表面上的电极产生的电活动。为了更快地进行应用，将电极安装在类似于浴帽的弹性帽中，以确保可以从所有受试者的相同头皮位置收集数据。

脑电图

测量由数千个神经元的同步活动产生的电活动（以伏特为单位）

提供出色的时间分辨率，允许您检测皮层区域内的活动--甚至可以在亚秒级的时间范围内检测皮层区域内的活动。

由于在电极处测得的电压波动非常小，因此记录的数据将被数字化并发送到放大器。然后可以将放大的数据显示为电压值序列。

EEG系统中的价格差异通常是由于电极的数量，数字化的质量，放大器的质量以及设备每秒可拍摄的快照数量（这是以Hz为单位的采样率）决定的。

脑电图通常具有较高的采样率，是目前应用最快的成像技术之一。一百年前，脑电图的时间过程被绘制在纸上。当前系统以数字形式在屏幕上连续显示电压数据。

可以说常见的几种可用的神经成像设备或技术(可以查看《EEG vs MRI vs fMRI vs fNIRS简介》)，但没有一种能提供像脑电图那样高水平的时间分辨率。虽然接收到的视觉信息水平不像其他一些神经成像技术(例如fMRI或功能性磁共振成像)那样详细,但时间分辨率以及便捷性，廉价和易用性意味着EEG是(即使不是最)常用的神经影像学方法之一。

脑电图通常在严格控制的实验环境中使用：在设定的时间内收集数据，很少运动，并有明确的刺激。虽然这是评估特定环境下大脑活动的理想方法，但有时需要不同的方法。

动态脑电图(AmbulatoryEEG)

动态脑电图(AmbulatoryEEG)是在自然环境下长时间(几个小时到几天不等)收集脑电图数据的一种方法。这意味着不仅会有更多的数据，而且还会有更多的移动，并且(很可能)大量的交互因素会影响数据。

为什么要研究动态脑电图?

动态脑电图通常是基于以下原因进行的:

癫痫病的检测与监测、

癫痫发作调查、

睡眠研究、

自然行为研究(如购物者研究、用户互动研究)。

前两个例子主要是出于医学原因-采取动态方法是为了全天检测或测量异常神经活动。后两者关注的是了解正常人群的大脑处理过程是如何随着时间变化的(以及如何随着环境变化的)。

下面，我们将具体讨论如何使用动态脑电图测量自然行为发生的大脑过程，以及数据收集和分析中常见的陷阱。

动态脑电图(AmbulatoryEEG)是如何工作的？

在许多情况下,动态脑电图与常规脑电图实验的设置基本相同---参与者将脑电图耳机放在头部,电极使用某种脑电胶与皮肤接触，对电导率进行测试，并在连接的软件中检查整个设置。

虽然动态脑电图与常规脑电图有很多相似之处，但也有不同之处。可移动的脑电图装置需要提供易于移动和便携的设备。任何长时间佩戴脑电图(EEG)耳机的参与者都将需要能够畅通无碍地走动，并感到舒适。

应该进一步考虑数据：不仅要考虑数据的去向(收集大量数据当然需要有效地存储数据)，还要考虑如何收集数据。这样的环境通常需要参与者四处走动，而走动的过程总不可避免会将噪声和工件引入到信号中。

信号和噪音

基本上在任何测量中都存在噪声，不管它是脑电图数据采集还是其他什么(尽管脑电图对噪声的存在特别敏感)。因此，减少(并可能过滤)来自噪声的信号是任何数据分析的关键组成部分。

这一点在动态脑电图测量中表现得更为明显，参与者可能会四处走动或以其他方式移动，从而影响电极在头部的位置。如下图所示，这可能会对数据质量产生严重影响。

有两种主要的方法来缓解这个问题。一是实验设计，二是数据分析。

动态脑电图的实验设计

为了解决数据噪声的问题，通常最好的方法是在记录中保留“无伪影”的时间窗口。例如，动态脑电图的一个常见场景是参与者在移动和与物品互动时记录参与者的脑电图数据(比如对超市购物行为的研究，或对儿童的发育研究)。虽然在记录的某些电可能会有大量的移动，但分析的重点是那些没有伪迹的时刻。

因此，实验设计可以确保有一些活动的时刻是可以记录的--例如，当参与者停下来看超市的货架，或者当一个孩子静止(安静)的时候。

这也引出了一个问题，那就是需要适合移动的脑电图硬件。这样的硬件中需要带电极的头帽，这在一定程度上可以限制电极的活动范围。而且还可以安装多种电极类型，有助于提高应用速度或信号质量。

重复测量，即参与者暴露在相同的刺激下，每次收集不同的数据片段，可以用来生成整个刺激暴露持续时间内神经反应的完整图像。

这意味着，例如，第一次刺激暴露前10秒的脑电图数据可以与第二次刺激暴露后10秒的脑电图数据相补充。如果在足够多的试验和参与者中取平均值，就可以可靠地构建参与者响应的总体视图。

这也适用于参与者内部的实验设计--在实验中比较同类更有效。从本质上讲，这意味着比较参与者对刺激A的反应和他们对刺激B的反应，比比较两组不同参与者的反应更有效。

动态脑电图的分析方法

很明显，从动态变化的环境中收集一段时间内的EEG数据是一个挑战。因为很容易引入各种来源的噪声。

1.目视检查，简单删除。数据分析的第一步通常是目视检查-可能是唯一受噪音影响的数据出现在未调查的实验时刻（或电极）。只需删除这些嘈杂的数据部分即可。

2.利用算法，进行过滤。如果噪声仍然存在于数据的重要部分，则下一步是应用过滤。如果噪声出现在非常低的频率（低于1 Hz）或非常高的频率（高于50Hz）上，则滤波特别有效。

在这种情况下，可以对数据应用高通滤波器（在截止值以下抑制伪迹）或低通滤波器（在截止值以上抑制伪迹）。例如，如果研究问题涉及alpha节律(在8至12 Hz的频率范围内的活性)，则通常可以使用低通滤波器安全地去除高频噪声。

结论

动态脑电图有望在现实、动态环境中理解大脑的活动。不过它还通常以降低数据质量为代价。而且这并不是完全可以避免的，但是通过正确的实验方法、研究设置和数据处理，可以减轻这种影响。

文章来源于网络，仅用于学术交流，不用于商业行为

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

手把手教你EEG脑电数据预处理-操作篇

Python-可视化Evoked数据

NeuroRA：一个用于多模态神经数据表征分析的Python工具包
手把手教你EEG脑电数据预处理-原理篇

带你入门跨学科领域——认知神经科学

2020完整版 伯克利《神经技术导论》课程及PPT和代码案例下载

EEG伪影类型详解和过滤工具的汇总(一)

脑机接口和卷积神经网络的初学指南(一)

脑电数据处理分析教程汇总(eeglab, mne-python)

快速入门脑机接口：BCI基础(一)

脑机接口BCI学习交流QQ群：515148456

微信群请扫码添加，Rose拉你进群

(请务必填写备注，eg. 姓名+单位+专业/领域/行业)

长按关注我们

欢迎点个在看鼓励一下​​​​​​​